工业设备管控主要包括设备的状态监测、控制、故障诊断、健康评估、运行维护等,是智能制造的重要内容。随着制造规模的增加,工业设备规模和复杂性不断增加,且随着工业互联网、先进传感等技术的应用,工业设备管控数据规模呈几何增长,表现出规模大、种类多、分布散等特点,传统基于云计算的中心式信息处理方式无法满足大规模设备管控的数据实时性需求,迫切需要研究新的管控平台,实现设备管控计算任务的高效、灵活、快速部署。针对上述问题,本文面向工业设备管控,根据边缘计算将算力“下沉”到边端的设想,设计并实现了基于微服务的工业设备边缘管控平台,为大规模工业设备管控提供了一种新的技术方案,具体研究工作如下:（1）边缘管控平台需求与功能分析。分析了平台数据和业务的多源整合与统一管理、平台服务的高可靠保证、数据信息的高效存储与资源共享以及平台业务的严格授权与信息安全等四大核心需求。（2）管控平台架构设计。按照需求分析进行平台架构设计,平台采用go-micro框架实现微服务的设计与开发。其中,基于RBAC（Role-Based Access Control）模型构建了用户权限管理系统,并在此基础上开发了用户管理服务和权限管理服务;基于Ceph集群构建了对象存储系统,并在此基础上开发了资源管理服务;采用基于任务模板的任务部署机制,实现了任务管理服务;借助Grafana可视化开发工具开发了平台监控看板并与基础工程进行整合;设计API网关实现对各微服务请求的路由与分发;微服务间采用RPC、消息队列等方式交互,以降低服务耦合度。（3）边缘管控平台实现与测试。平台采用6台树莓派构建边端Kubernetes集群,并在集群中部署测试环境;通过编写测试用例进行平台功能测试,同时使用Jmeter压测软件编写测试脚本进行性能测试,在50个线程并发下,通过1832953次模拟HTTP请求,响应成功率达100%;压测时平台各功能业务平均响应时间为98ms,网关平均CPU使用率78.2%,内存占用率22.8%,符合设计预期。（4）基于边缘故障诊断的平台验证。采用基于深度学习的分布式边缘故障诊断作为典型案例进行平台功能验证。设计了一种基于数据并行的分布式模型训练方法,并使用多种工业轴承数据集对该方法进行验证,实验表明该方法在采用三个节点进行并行计算时,与传统训练模式对比,模型准确度相差2%以内,模型训练时长节约近50%,并对该方法在平台中的部署进行了演示说明,验证平台在设备管控与数据处理方面的能力。